n0w0f/MatText

该数据集包含多个配置，每个配置包含多个数据文件的分割（如fold_0, fold_1等），并且每个分割都有对应的路径和特征描述。特征包括原子序列、晶体结构、材料ID、组成等。数据集主要用于材料科学领域的研究，特别是与晶体结构和材料性质相关的任务。

This dataset contains multiple configurations, each with several data file splits (e.g., fold_0, fold_1, etc.), and each split has corresponding paths and feature descriptions. Features include atomic sequences, crystal structures, material IDs, compositions, etc. The dataset is primarily used for research in materials science, particularly tasks related to crystal structures and material properties.

原始信息汇总

数据集概述

数据集配置

• gvrh-test-filtered

  • 特征: atom_sequences, cif_symmetrized, crystal_text_llm, composition, slices, cif_p1, zmatrix, mbid, local_env, atom_sequences_plusplus
  • 分割: fold_0 至 fold_4
  • 下载大小: 7116591
  • 数据集大小: 22596515

• gvrh-test-matbench

  • 特征: cif_p1, cif_symmetrized, crystal_text_llm, zmatrix, atom_sequences, mbid, slices, composition, local_env, atom_sequences_plusplus
  • 分割: fold_0 至 fold_4
  • 下载大小: 12414766
  • 数据集大小: 44763833

• gvrh-train-filtered

  • 特征: atom_sequences_plusplus, cif_p1, local_env, cif_symmetrized, labels, composition, crystal_text_llm, slices, mbid, atom_sequences, zmatrix
  • 分割: fold_0 至 fold_4
  • 下载大小: 21391506
  • 数据集大小: 69011685

• gvrh-train-matbench

  • 特征: labels, cif_p1, cif_symmetrized, crystal_text_llm, zmatrix, atom_sequences, mbid, slices, composition, local_env, atom_sequences_plusplus
  • 分割: fold_0 至 fold_4
  • 下载大小: 48943032
  • 数据集大小: 179406962

• kvrh-test-filtered

  • 特征: atom_sequences, cif_symmetrized, crystal_text_llm, composition, slices, cif_p1, zmatrix, mbid, local_env, atom_sequences_plusplus
  • 分割: fold_0 至 fold_4
  • 下载大小: 7116591
  • 数据集大小: 22596515

• kvrh-test-matbench

  • 特征: atom_sequences_plusplus, local_env, atom_sequences, composition, zmatrix, crystal_text_llm, slices, mbid, cif_symmetrized, cif_p1
  • 分割: fold_0 至 fold_4
  • 下载大小: 12414736
  • 数据集大小: 44763833

• kvrh-train-filtered

  • 特征: atom_sequences_plusplus, cif_p1, local_env, cif_symmetrized, labels, composition, crystal_text_llm, slices, mbid, atom_sequences, zmatrix
  • 分割: fold_0 至 fold_4
  • 下载大小: 20092733
  • 数据集大小: 64812766

• kvrh-train-matbench

  • 特征: labels, atom_sequences_plusplus, local_env, atom_sequences, composition, zmatrix, crystal_text_llm, slices, mbid, cif_symmetrized, cif_p1
  • 分割: fold_0 至 fold_4
  • 下载大小: 48980197
  • 数据集大小: 179406962

• perovskites-test-filtered

  • 特征: atom_sequences, cif_symmetrized, crystal_text_llm, composition, slices, cif_p1, zmatrix, mbid, local_env, atom_sequences_plusplus
  • 分割: fold_0 至 fold_4
  • 下载大小: 9001812
  • 数据集大小: 44189628

• perovskites-test-matbench

  • 特征: cif_symmetrized, atom_sequences, mbid, composition, local_env, crystal_text_llm, cif_p1, atom_sequences_plusplus, zmatrix, slices
  • 分割: fold_0 至 fold_4
  • 下载大小: 9001872
  • 数据集大小: 44189628

• perovskites-train-filtered

  • 特征: atom_sequences_plusplus, cif_p1, local_env, cif_symmetrized, labels, composition, crystal_text_llm, slices, mbid, atom_sequences, zmatrix
  • 分割: fold_0 至 fold_4
  • 下载大小: 20410728
  • 数据集大小: 100150472

• perovskites-train-matbench

  • 特征: cif_symmetrized, atom_sequences, mbid, composition, local_env, labels, crystal_text_llm, cif_p1, atom_sequences_plusplus, zmatrix, slices
  • 分割: fold_0 至 fold_4
  • 下载大小: 36117382
  • 数据集大小: 177364208

预训练数据集

• pretrain100k

  • 特征: 无具体特征描述
  • 分割: train, test
  • 下载大小: 未提供
  • 数据集大小: 未提供

• pretrain2m

  • 特征: 无具体特征描述
  • 分割: train, test
  • 下载大小: 未提供
  • 数据集大小: 未提供

• pretrain300k

  • 特征: 无具体特征描述
  • 分割: train, test
  • 下载大小: 未提供
  • 数据集大小: 未提供

• pretrain30k

  • 特征: 无具体特征描述
  • 分割: train, test
  • 下载大小: 未提供
  • 数据集大小: 未提供

默认配置

• default
  • 特征: mbid, atom_sequences_plusplus, crystal_text_llm, cif_symmetrized, labels, atom_sequences, slices, local_env, cif_p1, zmatrix, composition
  • 分割: finetune_filtered_train
  • 下载大小: 61699673
  • 数据集大小: 233974923

微调配置

• finetune-fold-0
  • 特征: labels, cif_symmetrized, atom_sequences, local_env, slices, cif_p1, composition, mbid, atom_sequences_plusplus, crystal_text_llm, zmatrix
  • 分割: gvrh, kvrh, perov
  • 下载大小: 12677423
  • 数据集大小: 48237716

搜集汇总

数据集介绍

构建方式

在材料科学领域，晶体结构的文本化表征是连接计算材料学与自然语言处理的关键桥梁。n0w0f/MatText数据集基于MatBench基准测试集构建，通过整合多种晶体结构文本表示形式，为材料性质预测任务提供了丰富的多模态文本数据。数据集涵盖了带隙、形成能、弹性模量等多种物理属性的回归与分类任务，并按照五折交叉验证的方式划分为训练集和测试集。每个样本均包含原子序列、CIF文件、Z矩阵、切片表示以及由大语言模型生成的晶体文本描述等多种文本特征，从而实现了对晶体结构的多角度文本化编码。

使用方法

使用该数据集时，研究者可通过Hugging Face Datasets库加载指定的配置名称，例如选择'bandgap-train-matbench'进行带隙预测模型的训练。每个配置包含多个fold子集，便于进行交叉验证实验。数据加载后，每条记录包含composition、atom_sequences、cif_symmetrized、zmatrix等字符串字段以及可选的labels浮点型标签字段。用户可根据任务需求选择特定的文本表示作为模型输入，例如仅使用原子序列进行序列建模，或融合多种表示进行多模态学习。预训练子集则提供了无标签的大规模晶体文本数据，适用于自监督学习场景。

背景与挑战

背景概述

MatText数据集由研究团队于近期构建并发布，旨在推动材料科学领域内晶体材料文本表征的标准化与深度学习应用。该数据集聚焦于将晶体结构转化为多种文本形式，如原子序列、对称化CIF文件、Z矩阵及局部环境描述等，从而为机器学习模型提供丰富的结构化输入。其核心研究问题在于如何通过自然语言处理技术高效预测材料的带隙、形成能、弹性模量等关键性质，以加速新型功能材料的发现。MatText整合了来自MatBench等基准的标准化数据，并提供了过滤与未过滤两种版本，为材料信息学领域树立了多模态文本表征的新标杆，对计算材料科学与人工智能的交叉研究产生了深远影响。

当前挑战

MatText数据集所面临的挑战主要体现在两个层面。在领域问题层面，材料性质预测的复杂性源于晶体结构的高度多样性与物理机制的耦合，例如带隙与形成能等目标属性受原子排布、化学组分及量子效应等多因素影响，传统模型难以统一建模。在构建过程中，挑战则集中于多源异构数据的对齐与清洗，包括从MatBench等数据库整合数万条晶体记录时需确保标签一致性，以及将晶体结构转化为多种文本表征（如CIF、Z矩阵）时需克服格式差异与信息损失。此外，数据集的分折设计虽有利于交叉验证，但也对模型泛化能力提出了更高要求。

常用场景

经典使用场景

MatText数据集专为材料科学中的晶体结构文本表示而设计，其经典使用场景在于将无机晶体结构转化为多种文本描述形式，如原子序列、Z矩阵、CIF格式及切片表示等。这一特性使得研究者能够利用自然语言处理模型对晶体材料进行建模，尤其适用于带隙、形成能、体积模量等物理属性的回归预测任务，以及金属与非金属的分类判别。通过提供基于MatBench基准和过滤后的多种子集划分，该数据集为材料属性预测的文本驱动方法奠定了标准化评测基础。

解决学术问题

该数据集有效解决了材料信息学中晶体结构数据表示不统一、难以直接应用于序列化深度学习模型的学术困境。传统上，晶体结构多以图或网格形式呈现，限制了Transformer等语言模型在材料科学中的应用。MatText通过提供多种文本化晶体表示，使得研究者能够直接借助预训练语言模型进行属性预测，从而绕过了复杂的特征工程和对称性编码难题。其意义在于推动了自然语言处理与材料科学的交叉融合，为加速新材料发现提供了数据驱动的全新范式。

实际应用

在实际应用中，MatText数据集被广泛用于高通量材料筛选和虚拟实验室场景。例如，研究人员可基于该数据集训练模型，快速预测候选材料的带隙或形成能，从而在成千上万种未知化合物中筛选出具有半导体特性或高稳定性的候选者。此外，该数据集的文本表示形式还便于与大型语言模型集成，支持材料科学家通过自然语言查询来获取材料属性信息，显著提升了材料研发的自动化与智能化水平。

数据集最近研究

最新研究方向

在材料科学领域，随着人工智能与高通量计算的深度融合，晶体材料的文本化表示成为前沿热点。MatText数据集应运而生，它通过将晶体结构转化为多种文本序列（如原子序列、Z矩阵、CIF格式及局部环境描述），为大规模预训练语言模型在材料性质预测中的应用奠定了坚实基础。该数据集覆盖带隙、形成能、弹性模量等关键物理属性，并提供了MatBench基准测试的标准化划分，使得模型性能的可比性大幅提升。当前研究聚焦于利用Transformer架构对晶体文本进行自监督学习，探索材料组成与结构之间的深层语义关联，以加速新型功能材料（如钙钛矿、二维材料）的理性设计。这一方向不仅推动了材料信息学的范式革新，也为可再生能源、电子器件等领域的材料发现提供了可复现的数据基础设施。